44
45
OpenCV açık kaynak kütüphanesine dayanılarak uygulanan ÖYYTS, FYYTS ve YİDYTS algoritmaları, önerilen yüz tanıma sisteminde kullanılmıştır ve gerçek sınıf ortamında alınan 40 adet yoklamada toplam 264 öğrenci derste tanınmıştır. Alınan yoklama işlemlerinde kullanılan yüz tanıma algoritmalarının doğruluk oranlarında farklılıklar gözlemlenmiştir. Alınan 40 adet yoklama, üç aşamada değerlendirilmiştir.
Aşama-I için her öğrenciye ait 1 adet yüz fotoğrafı sisteme tanıtılarak 10, Aşama-II için her öğrenciye ait 1-3 adet yüz fotoğrafı sisteme tanıtılarak 20, Aşama-III için ise her öğrenciye ait 3-10 adet yüz fotoğrafı sisteme tanıtılarak 10 adet yoklama alma işlemi gerçekleştirilmiştir. Her aşamada derste bulunan öğrenci sayıları farklıdır.
Algoritmaların her aşamadaki performansı ölçümlenmiştir. Çizelge 5.3’te birinci aşamada, çizelge 5.4’te ikinci aşamada, çizelge 5.5’te üçüncü aşamada algoritmaların doğru ve hatalı bulduğu öğrenci sayıları ve doğruluk oranları verilmiştir.
Çizelge 5.3 Algoritmaların Aşama-I doğruluk performansları
Aşama-I ÖYYTS YİDYTS FYYTS
Toplam Yüz Fotoğrafı 55 55 55
Doğru Sayısı 31 27 36
Hata Sayısı 24 28 19
Doğruluk Oranı (%) 56.36 49.09 65.45
Çizelge 5.4 Algoritmaların Aşama-II doğruluk performansları
Aşama-II ÖYYTS YİDYTS FYYTS
Toplam Yüz Fotoğrafı 130 130 130
Doğru Sayısı 63 88 90
Hata Sayısı 67 43 40
Doğruluk Oranı (%) 48.46 67.69 69.23
46
Çizelge 5.5 Algoritmaların Aşama-III doğruluk performansları
Aşama-III ÖYYTS YİDYTS FYYTS
Toplam Yüz Fotoğrafı 79 79 79
Doğru Sayısı 47 64 59
Hata Sayısı 32 15 20
Doğruluk Oranı (%) 59.49 81.01 74.68
Sistemdeki yüz fotoğraf sayısı az olduğunda, en iyi doğruluk oranı FYYTS algoritmasında gözlemlenmiştir. Sisteme tanıtılan yüz fotoğrafı arttıkça en fazla doğruluk oranı artışı YİDYTS algoritmasında görülmüştür. ÖYYTS algoritmasında sisteme tanıtılan yüz sayısına bağlı olarak doğruluk oranında belirgin bir iyileşme olduğu söylenemez.
Algoritmaların eşleştirme işleminde kullanılan öklid uzaklığı ile filtre sistemi geliştirilmiştir. Oluşturulan bu filtre ile algoritmanın eşleştirdiği kişinin doğru olup olmadığı tahmin edilmiştir. Bu kapsamda algoritmaların 40 adet yoklama 264 öğrencinin tanındığı işlemde eşleşme yaparken bulduğu öklid uzaklıkları kaydedilmiştir ve çizelge 5.6’da ÖYYTS, çizelge 5.7’de FYYTS ve çizelge 5.8’de YİDYTS algoritmalarının öklid uzaklıklarına göre bu 264 öğrencinin doğru ve yanlış eşleştirme sayıları ve doğruluk oranları verilmiştir.
Çizelge 5.6 ÖYYTS Öklid uzaklıklarına göre doğruluk oranları
Öklid Uzaklığı (d) Doğru Sayısı Hata Sayısı Doğruluk Oranı (%)
d≤1500 26 4 86.66
1500<d≤1800 20 9 68.96
1800<d≤2100 15 11 57.69
2100<d≤2500 23 18 56.09
2500<d≤3000 29 18 61.70
3000<d 28 63 30.76
47
Çizelge 5.7 FYYTS öklid uzaklıklarına göre doğruluk oranları
Öklid Uzaklığı (d) Doğru Sayısı Hata Sayısı Doğruluk Oranı (%)
d≤250 39 0 100
250<d≤400 77 19 80.21
400<d≤550 37 19 66.07
550<d≤700 17 15 53.13
700<d 15 26 36.59
Çizelge 5.8 YİDYTS öklid uzaklıklarına göre doğruluk oranları
Öklid Uzaklığı (d) Doğru Sayısı Hata Sayısı Doğruluk Oranı (%)
d≤ 40 15 0 100
40<d≤50 55 10 84.62
50<d≤60 82 49 62.60
60<d≤70 27 22 55.10
70<d 0 4 0
Sonuçlar değerlendirilerek öklid uzaklıklarına göre filtre geliştirilmiştir. Sırası ile YİDYTS, FYYTS ve ÖYYTS algoritmalarının öklid uzaklıkları değerlendirilmiştir.
Eğer YİDYTS algoritmasının öklid uzaklığı 40’ın altındaysa doğru eşleşme olarak kaydedilir. Bu koşul sağlanamazsa sırasıyla FYYTS ve ÖYYTS algoritmalarının minimum öklid değerleri kontrol edilerek aynı filtre uygulanır. Eğer minimum değerlere eşit ya da minimum değerlerden küçük olma koşulu sağlanmıyorsa ikinci seviyedeki öklid uzaklıkları aynı şekilde değerlendirilir. Eğer ikinci seviyedeki koşullar da sağlanmıyorsa, YİDYTS için maksimum 50, FYYTS için maksimum 400 ve ÖYYTS için maksimum 1800 olarak belirlenen filtreden yanlış eşleşme olarak çıkar. Sonrasında herhangi iki algoritmanın aynı eşleşme sonucunu verip vermediği kontrol edilerek bu koşul sağlanırsa eşleşme doğru olarak kaydedilir. Eğer bu koşul da sağlanamazsa öncelik YİDYTS algoritmasına verilerek eşleşme doğru olarak kaydedilir. Bu filtreleme sayesinde, alınan 40 yoklamadaki 264 öğrencinin bulunması işleminde 3 algoritmanın hangisinin seçileceği konusunda tahmin yürütülerek Yüz Bulma ve Tanıma Tabanlı Otomatik Sınıf Yoklama Yönetim Sistemi’nin doğruluk oranında artış sağlanmıştır. En
48
iyi test sonuçlarını veren YİDYTS algoritması toplamda 85 hatalı eşleştirme yapmıştır ve uygulanan filtre ile toplamda 65 hatalı eşleşmeye indirilmiştir.
Sistemin filtreleme aşamasından sonraki doğruluk oranları Aşama-I, II ve III için çizelge 5.9’da verilmiştir. İlk 10 yoklama alma işlemi, her öğrencinin 1 adet yüz fotoğrafı sisteme tanıtılarak yapılmıştır ve doğruluk oranı % 69.09 olarak ölçülmüştür.
Sonraki 20 yoklama alma işlemi, her öğrenciye 1 ve 3 adet arasında yüz fotoğrafı sisteme tanıtılarak yapılmıştır ve doğruluk oranı, % 3.22 artarak % 72.31’e ulaştığı gözlemlenmiştir. Sonraki aşamada sisteme 3 ile 10 arasında yüz fotoğrafı tanıtılarak alınan 10 yoklama alma işlemindeki doğruluk oranı % 84.81’e ulaşmıştır.
Çizelge 5.9 Fotoğraf sayısına göre ortalama doğruluk başarı oranları
Aşama-I Aşama-II Aşama-III
Toplam Yüz Fotoğrafı 55 130 79
Doğru Sayısı 38 94 67
Hatalı Sayısı 17 36 12
Doğruluk Oranı (%) 69.09 72.31 84.81
Doğruluk oranı, öğrencilerin sistemde kayıtlı yüz fotoğraf sayısı ile doğru orantılı artmıştır. Algoritma performansı konusunda YİDYTS algoritması yüz sayısına bağlı olarak doğruluk oranını artırmıştır. Sistemin doğruluk oranını etkileyen fiziksel faktörlerden en belirgini, fotoğrafla çekilen öğrenciler arasındaki uzaklıktır. Sınıfın ön bölgelerinde oturan öğrenciler, arka bölgelerinde oturan öğrencilere kıyasla sistem tarafından daha doğru tanınabilmektedir. Şekil 5.1’de gösterilen arka sıralarda oturan bazı öğrencilerin kameraya olan uzaklığından dolayı çözünürlüğünün düşük kalarak sistemin performasını etkilediği gözlemlenmiştir. Çözünürlük problemini ortadan kaldırabilmek için daha yüksek özelliklere sahip bulut sunucular kullanılabilir. Çok yüksek çözünürlüğe sahip fotoğrafların işlenmesi sistemin gerçek zamanlı çalışma performansını etkilemektedir. Bulut sunucuya ek olarak akıllı cihazdaki internet bağlantısının da yükleme hızının yüksek olması gerekmektedir.
49
Şekil 5.1 Kameraya uzak öğrencilerin düşük çözünürlüklü fotoğrafları
Sistemin performansını etkileyen bir diğer fiziksel etken ise sınıfın görüntüsü alınırken cihazın titremesidir. Öğretmenden kaynaklanabilecek bu problemden kaynaklanan bazı fotoğraflar şekil 5.2’de gösterilmiştir. Titreşimden kaynaklanan problemlerde yüzün bulunamaması durumu da söz konusudur. Yüz bulma işleminden başarıyla çıkan yüz objelerinin yüz tanıma esnasında hatalı bulunmalara neden olmaktadır. Bu hataların ortadan kaldırılabilmesi öğretmenin görüntü alırken daha dikkatli olabilmesi ile çözülebilir. Buna ek olarak bunalıklık bulmayı sağlayan filtreler eklenerek, bulanık fotoğraf çekildiği anda öğretmene uyarı verilebilir ya da bunanıklık giderici algoritmalar ön işlem olarak eklenebilir.
Şekil 5.2 Titreşimden kaynaklı bulanık yüz fotoğrafları
Sınıftaki doğal oturma planından dolayı bazı öğrencilerin yüzlerinin bir bölümü önde oturan başka bir öğrenci tarafından kapatılmış olabilmektedir (Şekil 5.3). Bu durumda yüz bulunabilmesine rağmen hatalı eşleşmelere neden olabilmektedir.
Şekil 5.3 Yüzün bazı bölümünün kapatıldığı fotoğraflar
50
Sınıfta alınan görüntülerde bahsedilen fiziksel problemlere ek olarak bilinen genel yüz tanıma problemleri de yer almaktadır. Bunlardan en bilineni poz varyasyonu ve ışıklandırma problemidir. Çekilen fotoğrafın ışıklandırmasının iyi ayarlanamaması, görüntüdeki koyu pikseklerin sayısını artırmakta ve yüz tanıma oranını düşürmektedir (Şekil 5.4). Bahsedildiği gibi YİDYTS algoritması ışıklandırma problemine karşı güçlü olsa da, sistemin doğruluk oranı etkilenmektedir.
Şekil 5.4 Işıklandırma problemli fotoğraflar
Poz varyasyonları da sistemin doğruluk oranını etkileyen faktörler arasında gözlemlendi. Sınıfta yoklama alınırken her ne kadar dikkat edilse de, bazı öğrencilerin kameraya dik bakmaması sonucu şekil 5.5’teki gibi poz vasyasyonu problemleri ortaya çıkmıştır.
Şekil 5.5 Poz varyasyon problemli fotoğraflar
Yüz Bulma ve Tanıma Tabanlı Otomatik Sınıf Yoklama Yönetim Sistemi’ne dair araştırma bulgularından bahsedilmiştir. Sistemde kullanılan 3 farklı algoritmanın öğrenme ve tanıma hızları hesaplanmıştır. Gerçek sınıf ortamında alınan 40 adet yoklama verisi ile 3 algoritma test edilmiştir ve farklı koşullarda farklı doğruluk oranlarında çalıştığı gözlemlenmiştir. Bu koşullar belirlenerek üç algoritmanın hangisinin doğru olabileceği tahmini üzerine geliştirilen filtreleme sistemi entegre edilmiştir. Son olarak sistemin doğruluk oranını etkileyen problemlerden ve alınabilecek çözümlerden bahsedilmiştir.
51